小麦是世界上种植地域最广、面积最大及产量最多的粮食作物,2021年世界小麦使用量达到7.54亿吨。小麦产量的及时预估对作物生产、粮食价格及粮食安全产生重大影响,单位面积穗数是小麦产量预估研究中的难点及重中之重。当前,人工估产方法依据专家目测估计产量,准确率得不到保证。取样估产方法通过采集部分区域,进行人工计数、称重,费时费力。随着计算机视觉技术的发展,大量研究致力于统计单幅图像中麦穗数进而实现估产,此类研究利用卷积神经网络强大的特征自学习能力,对麦穗进行特征提取,通过大量数据训练模型,进而成功实现对图像中麦穗计数,为后续小麦估产提供数据参考。然而部分现有的麦穗计数研究基于通用的原始计数网络,未考虑小麦尺度不一、密集等特点进行优化,准确率有待提升。
本期我们将深度学习算法YOLOV5和农业进行结合，通过目标检测的方式来统计一片区域中的麦穗数量。废话不多说，先看效果。
注意事项
- 尽量使用英文路径，避免中文路径，中文路径可能会导致代码安装错误和图片读取错误。
- pycharm运行代码一定要注意左下角是否在虚拟环境中。
- 库的版本很重要，使用本教程提供的代码将会事半功倍
前期准备
电脑的基础设置以及软件的安装这边不再做赘述，前期的准备工作参考下面博客的内容。
【2023-Pytorch-检测教程】手把手教你使用YOLOV5做电线绝缘子缺陷检测_肆十二的博客-CSDN博客
环境配置
OK，来到关键环境配置的部分，首先大家下载代码之后会得到一个压缩包，在当前文件夹解压之后，进入CMD开始我们的环境配置环节，大家这里应该是yolov5-wheat，我这边用的之前的图，项目名称上有一些差别，大家注意在你麦穗计数的文件中打开即可。
为了加快后期第三方库的安装速度，我们这里需要添加几个国内的源进来，直接复制粘贴下面的这些指令到你的命令行即可。
conda config --remove-key channels
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple
执行完毕大概是下面这个样子，后面你就可以飞速下载这些库了。
创建虚拟环境
首先，我们需要根据我们的项目来创建一个虚拟环境，通过下面的指令创建并激活虚拟环境。
我们创建一个Python版本为3.8.5，环境名称为yolo的虚拟环境。
conda create -n yolo python==3.8.5
conda activate yolo
切记！这里一定要激活你的虚拟环境，否则后续你的库会安装在基础环境中，前面的小括号表示你处于的虚拟环境。
Pytorch安装
注意Pyotorch和其他库不太一样，Pytorch的安装涉及到conda和cudnn，一般而言，对于30系的显卡，我们的cuda不能小于11，对于10和20系的显卡，一般使用的是cuda10.2。下面给出了30系显卡、30系以下显卡和cpu的安装指令，请大家根据自己的电脑配置自行下载。笔者这里是3060的显卡，所以执行的是第一条指令。
conda install pytorch==1.10.0 torchvision torchaudio cudatoolkit=11.3 # 30系列以上显卡gpu版本pytorch安装指令
conda install pytorch==1.8.0 torchvision torchaudio cudatoolkit=10.2 # 10系和20系以及mx系列的执行这条
conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cpuonly # CPU的小伙伴直接执行这条命令即可
安装之后，可以和笔者一样，输入下面的指令测试以下gpu是否可用，如果输出的是true表示GPU是可用的。
其余库安装
其余库的安装就非常简单了，我们通过pip来进行安装，注意这里一定要确保你执行的目录下有requirements.txt这个文件，否则你将会遇到文件找不到的bug，你可以通过dir指令来查看是否有这个文件。
pip install -r requirements.txt
Pycharm中运行
一是为了查看代码方便，二是为了运行方便，这里我们使用Pycharm打开项目，点击这里右键文件夹直接打开项目即可非常方便。
打开之后你将会看到这样的一个界面，其中左侧是文件浏览器，中间是编辑器，下方是一些工具，右下角是你所处的虚拟环境 。
之后，我们就需要为当前的项目选择虚拟环境了，这一步非常重要，有的兄弟配置好了没选环境，你将会遇到一堆奇怪的bug，选环境的步骤如下。
首先点击，添加解释器。
三步走选择我们刚才创建的虚拟环境，点击ok。
之后你可以你可以右键执行main_window.py这个文件，出现下面的画面说明你就成功了。
数据集准备
数据集这里我放在了CSDN中，大家可以执行标注准备数据集，或者使用这里我处理好的数据集，数据集下载之后放在和代码目录同级的wheat_yolo_format目录下。
数据集打开之后你将会看到两个文件夹，images目录存放图片文件，labels目录存放标签文件。
之后记住你这里的数据集路径，在后面的训练中我们将会使用到，比如笔者这里的F:/new_project/02mai/wheat_yolo_format。
训练和测试
注：这里你可以选择去自己尝试以下，笔者在runs的train目录下已经放了训练好的模型，你是可以直接使用。
下面就是训练的过程，笔者这里已经将数据集和模型的配置文件写好了，你只需要将数据集中的数据路径替换成你的路径，执行go_train.py即可开始训练了。
执行go_train.py文件中，包含三条指令，分别表示yolov5中small模型、medium模型和large模型，比如我这里要训练s模型，我就将其他两个模型训练的指令注释掉就好了。
运行之后，下方会输出运行的信息，这里的红色只是日志信息，不是报错，大家不要惊慌。
以笔者这里的s模型为例，详细含义如下。
如果大家要测试的话就使用go_test.py，其中三行分别表示s模型、m模型和l模型的测试指令。
测试结果如下：
图形化程序
最后就是执行我们的图形化界面程序了。
直接右键执行window_main.py执行即可，这里上两章效果图。
